바운딩 박스

객체 감지의 중요성

바운딩 박스는 객체 감지 모델을 훈련하고 평가하는 데 필수적입니다. 다음과 같은 모델에서 처리하는 작업에서 Ultralytics YOLO와 같은 작업에서 바운딩 박스는 훈련 중에 실측 자료 역할을 하여 모델이 객체를 정확하게 찾도록 학습시킵니다. 추론하는 동안 모델은 감지된 객체 주변의 바운딩 박스를 예측합니다. 이러한 로컬라이제이션 기능은 자율 주행 차량이나 로봇 시스템과 같이 물체 식별뿐만 아니라 정확한 위치 파악이 필요한 애플리케이션에 매우 중요합니다. 이 프로세스는 사람이나 자동화된 툴이 훈련 이미지의 객체 주변에 바운딩 박스를 그리는 신중한 데이터 주석 작업으로 시작되며, CVAT와 같은 툴을 사용하는 경우가 많습니다.

바운딩 박스와 관련된 주요 개념

몇 가지 메트릭 및 기법은 ML 모델에서 바운딩 박스의 사용 및 평가와 밀접하게 연관되어 있습니다:

• 유니온에 대한 교차점(IoU): 예측된 바운딩 박스와 기준 정보 바운딩 박스 간의 중첩을 측정하는 데 사용되는 메트릭입니다.
• 비최대 억제(NMS): 동일한 개체를 감지하는 중복 바운딩 박스를 제거하여 신뢰도가 가장 높은 개체만 유지하는 데 사용되는 기술입니다.
• 평균 평균 정밀도(mAP): 객체 감지 모델의 성능을 평가하기 위한 일반적인 지표로, IoU 계산에 크게 의존합니다.
• 앵커 박스: 일부 감지기가 바운딩 박스를 보다 효과적으로 예측하기 위해 사용하는 다양한 크기와 종횡비의 사전 정의된 박스입니다. COCO와 같은 벤치마크 데이터 세트는 이러한 개념을 기반으로 모델을 평가하는 데 자주 사용됩니다.

바운딩 박스 및 관련 용어

바운딩 박스는 직사각형으로 오브젝트의 위치를 지정하지만, 다른 컴퓨터 비전 기술은 다양한 수준의 디테일을 제공합니다:

• 이미지 세분화: 직사각형 현지화를 제공하는 바운딩 박스와는 다릅니다, 이미지 세분화 는 이미지의 각 픽셀을 분류하는 것을 목표로 합니다.
  • 시맨틱 세분화는 모든 픽셀에 클래스 레이블(예: 자동차, 사람, 도로)을 할당하지만 동일한 클래스의 다른 인스턴스를 구분하지는 않습니다.
  • 인스턴스 세분화는 픽셀 수준 마스크로 각 개별 개체 인스턴스를 식별하고 윤곽을 그려서 바운딩 박스보다 더 자세한 정보를 제공합니다. 인스턴스 세분화 작업에 대해 자세히 알아볼 수 있습니다.
• 오리엔티드 바운딩 상자(OBB): 표준 바운딩 상자는 축에 정렬됩니다. 회전되는 개체의 경우, OBB(방향성 바운딩 박스)는 개체에 따라 상자를 회전시켜 더 밀착시킵니다. 이는 항공 이미지 분석이나 복잡한 장면에서 물체를 감지하는 것과 같은 애플리케이션에 특히 유용하며, 종종 DOTA와 같은 데이터 세트에서 평가됩니다.

실제 시나리오에서의 애플리케이션

바운딩 박스는 수많은 실용적인 AI 애플리케이션에 필수적인 요소입니다: